Formål
Projektet har til formål at udvikle konkrete hands-on forløb i digital teknologiforståelse rettet mod kunstig intelligens og maskinlæring for danske borgere i alderen 40-70 år med henblik på at understøtte et aktivt medborgerskab, kreativitet og empowerment i en digitaliseret samtid.
Prædiktive teknologier spiller en afgørende rolle i udviklingen af det danske velfærdssamfund i alt fra screening for brystcancer, forudsigelser om omsorgssvigt i familier, til hverdagsteknologier, hvor vi som forbrugere understøttes i at træffe rigtige valg ud fra vores individuelle præferencer.
Hvor teknologiforståelse i større og større udstrækning integreres i uddannelsestilbud fra grundskolen over ungdomsuddannelser og professionsuddannelser, står en række borgere uden de fornødne digitale kompetencer til at kunne forstå og deltage aktivt i den digitalisering, som præger samfundet i årene der kommer. SHAPE vil i samarbejde med relevante partnere sætte fart på borgeroplysning om digital teknologi og helt specifikt om kunstig intelligens og maskinlæring. Det sker på biblioteker og i regi af fagforeninger, hvor vi i konkrete workshopforløb sætter fokus på konstruerende, kritiske og kreative processer, hvor borgere får hands-on forståelse for teknologiens muligheder og konsekvenser.
SHAPE vil udvikle et digitalt tool-kit “ml-machine.org”, der henvender sig særligt til borgere uden tidligere erfaringer med digital teknologi. I en co-design proces med Dokk1 og fagforeninger vil vi udvikle og afprøve et borgeroplysningsforløb, hvor borgere får mulighed for at konstruere egne kunstig intelligens systemer, for derigennem at kunne forstå de de teknologier, som i øjeblikket integreres overalt i samfundet. Forløbet integrerer fire kompetenceområder: Teknologisk handleevne, computationel tænkning, digital design og digital myndiggørelse, men fokuserer på digital myndiggørelse.
Platform for maskinlæring for alle
ml-machine.org er en online læringsplatform, som bruger maskinlæring til at træne en computermodel, til at genkende forskellige bevægelser. Ved at forbinde en micro:bit til computeren, kan ml-machine.org bruge dennes indbyggede accelerometer til at indsamle og træne modellen på bevægelsesdata. Ydermere kan ml-machine indstilles til at reagere med forskellige outputs på genkendelser, og man kan på denne måde skabe et interaktivt system. ml-machine.org er designet så brugeren hurtigt kan skabe et funktionelt system, og dernæst kan udforske mere avancerede detaljer af maskinlæringsprocessen efter egen interesse. Da systemet kører i en almindelig webbrowser kan det nemt tilgås, og det kræver kun en micro:bit at komme igang. Samtidig sikres brugerens data, da disse aldrig forlader dennes computer.
